Мета: Засвоєння принципів, знайомвство з
інструментами та набуття навичок манпулювання даними
(wrangle) засобами мови програмування R та
колекції пакетів tidyvers.
Імпорт даних
# install_formats() #інсталяція додаткових компонентів пакету rio
library(rio)
df <- data.frame(x = 1:5, y = rnorm(5))
export(df, "data/df_data_frame.txt")
dfImp <- import("data/df_data_frame.txt")
dfImp
data("mtcars") #підключення стандартного набору даних mtcars
# head(mtcars)
export(head(mtcars), "data/mtcars.dta")
convert('data/mtcars.dta', 'data/mtcars.csv')
import("data/mtcars.csv")
Імпорт з реляційних баз даних
#install.packages("dbplyr")
#install.packages("RSQLite")
library(dbplyr)
library(dplyr)
Attaching package: 'dplyr'
The following objects are masked from 'package:dbplyr':
ident, sql
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
library(RSQLite)
# my_db <- src_sqlite("data/my_db.sqlite3", create = T)
#head(my_db)
#install.packages("nycflights13")
library(nycflights13)
# flights_sqlite <- copy_to(my_db, flights, temporary = FALSE,
# indexes = list(c("year", "month", "day"), "carrier", "tailnum"))
# head(flights_sqlite)
con <- DBI::dbConnect(RSQLite::SQLite(), path = "data/my_db.sqlite3")
flights_sqlite <- copy_to(con, nycflights13::flights, "flights",
temporary = FALSE,
indexes = list(
c("year", "month", "day"),
"carrier",
"tailnum",
"dest"
)
)
head(flights_sqlite)
Приведення даних до охайного вигляду
#install.packages("tidyverse")
library(tidyverse)
Warning: package 'ggplot2' was built under R version 4.4.2
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ forcats 1.0.0 ✔ readr 2.1.5
✔ ggplot2 3.5.1 ✔ stringr 1.5.1
✔ lubridate 1.9.3 ✔ tibble 3.2.1
✔ purrr 1.0.2 ✔ tidyr 1.3.1
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::ident() masks dbplyr::ident()
✖ dplyr::lag() masks stats::lag()
✖ dplyr::sql() masks dbplyr::sql()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
# відносний критерій на 10000
table1 %>% # стандартний набір даних
mutate(rate = cases / population * 10000) # обчислення нового поля
# кількість випадків на рік
table1 %>%
count(year, wt = cases)
# Візуалізація динаміки зміни кількості випадків з часом
library(ggplot2)
ggplot(table1, aes(year, cases)) +
geom_line(aes(group = country), colour = "white") +
geom_point(aes(colour = country))+
theme_dark()

Завдання на самостійну роботу.
Побудувати динаміку відносного критерію rate кількості
захворювань по роках для кожної держави.
table1 %>% # стандартний набір даних
mutate(rate = cases / population * 10000) |>
ggplot(aes(year, rate)) +
geom_line(aes(group = country), colour = "white") +
geom_point(aes(colour = country))+
theme_dark()

Gathering
table4a %>%
gather(`1999`, `2000`, key = "year", value = "cases")
tidy4a <- table4a %>%
gather(`1999`, `2000`, key = "year", value = "cases")
tidy4b <- table4b %>%
gather(`1999`, `2000`, key = "year", value = "population")
dplyr::left_join(tidy4a, tidy4b)
Joining with `by = join_by(country, year)`
Завдання на самостійну роботу
Виконати попереднє завдання, базуючись на таблицях
tidy4a і tidy4b з використанням потокового
оператора.
dplyr::left_join(table4a |>
gather(`1999`, `2000`, key = "year", value = "cases")
,table4b |>
gather(`1999`, `2000`, key = "year", value = "population")) |>
mutate(rate = cases / population * 10000) |>
ggplot(aes(year, rate)) +
geom_line(aes(group = country), colour = "white") +
geom_point(aes(colour = country))+
theme_dark()
Joining with `by = join_by(country, year)`

Spreading
table2 %>%
spread(key = type, value = count)
Separating
table3 %>%
separate(rate, into = c("cases", "population"))
Uniting
table5 %>%
unite(year, century, year, sep = "")
Пропущені значення
Пропущені значення (missing value) у наборах даних
можуть бути двох видів: явні (позначені як NA,
Not Available) і неявні (просто не представлені у
даних). Такі дані називаються некомплектні.
Нижче наведено приклад, який це ілюструє.
stocks <- tibble(
year = c(2015, 2015, 2015, 2015, 2016, 2016, 2016),
qtr = c( 1, 2, 3, 4, 2, 3, 4),
return = c(1.88, 0.59, 0.35, NA, 0.92, 0.17, 2.66)
)
stocks
Дані за четвертий квартал 2015 явно відсутні про що свідчить
відповідне значення. Дані за перший квартал не внесені у таблицю, тобто
відсутні неявно, але відсутність можна помітити після відповідної
траснформації.
stocks %>%
spread(year, return)
Виявити множину некомплектних даних можна також з використанням
функції complete().
stocks %>%
complete(year, qtr)
Проблема некомплектних даних вирішується двома шляхами: виключенням
некомплектних спостережень, або імпутацією пропущених значень іншими
значеннями, виходячи з певної моделі.
stocks %>%
spread(year, return) %>%
gather(year, return, `2015`:`2016`, na.rm = TRUE)
У випадках, коли це доцільно, можна використовувати функцію
fill(), яка заповнює пропущенні значення, взявши значення з
останньої заповненої клітинки:
df <- data.frame(Month = 1:12, Year = c(2000, rep(NA, 11)))
df
Трансформація
# Вибірка рядків таблиці
library(dplyr)
starwars %>%
filter(species == "Droid")
# Вибірка полів таблиці
starwars %>%
select(name, ends_with("color"))
# Створення нового поля у таблиці з послідуючою вибіркою
starwars %>%
mutate(name, bmi = mass / ((height / 100) ^ 2)) %>%
select(name:mass, bmi)
# Сортування даних
starwars %>%
arrange(desc(mass))
# Обчислення агрегатів з попереднім групуванням по полю species
starwars %>%
group_by(species) %>%
summarise(
n = n(),
mass = mean(mass, na.rm = TRUE)
) %>%
filter(n > 1)
Індивідуальне завдання
library(readxl)
library(dplyr)
library(plotly)
Attaching package: 'plotly'
The following object is masked from 'package:ggplot2':
last_plot
The following object is masked from 'package:rio':
export
The following object is masked from 'package:stats':
filter
The following object is masked from 'package:graphics':
layout
library(DT)
library(lubridate)
# Завантаження даних із очищеного Excel файлу
data <- read_excel("cleaned_currency_data.xlsx")
# Додаємо колонку з місяцем для середньомісячних значень
data <- data %>% mutate(місяць = floor_date(Дата, "month"))
# Розрахунок середньомісячних курсів
monthly_avg <- data %>%
group_by(місяць) %>%
summarise(
USD_UAH_avg = mean(USD_UAH, na.rm = TRUE),
EUR_UAH_avg = mean(EUR_UAH, na.rm = TRUE),
RUB_UAH_avg = mean(RUB_UAH, na.rm = TRUE)
)
# Інтерактивна таблиця щоденних курсів
daily_table <- datatable(data, options = list(pageLength = 10, autoWidth = TRUE))
# Інтерактивна таблиця середньомісячних курсів
monthly_table <- datatable(monthly_avg, options = list(pageLength = 10, autoWidth = TRUE))
# Інтерактивний графік щоденних курсів
daily_plot <- plot_ly(data, x = ~Дата) %>%
add_lines(y = ~USD_UAH, name = "USD/UAH") %>%
add_lines(y = ~EUR_UAH, name = "EUR/UAH") %>%
add_lines(y = ~RUB_UAH, name = "RUB/UAH") %>%
layout(title = "Щоденна динаміка курсів валют", xaxis = list(title = "Дата"), yaxis = list(title = "Курс"))
# Інтерактивний графік середньомісячних курсів
monthly_plot <- plot_ly(monthly_avg, x = ~місяць) %>%
add_lines(y = ~USD_UAH_avg, name = "USD/UAH") %>%
add_lines(y = ~EUR_UAH_avg, name = "EUR/UAH") %>%
add_lines(y = ~RUB_UAH_avg, name = "RUB/UAH") %>%
layout(title = "Середньомісячна динаміка курсів валют", xaxis = list(title = "Місяць"), yaxis = list(title = "Середній курс"))
# Виведення таблиць і графіків
print(daily_table)
print(monthly_table)
daily_plot
---
title: "Лабораторна робота №2. Маніпулювання даними"
author: "[Костін Є.В.]https://github.com/NickWayne02), `r format(Sys.time(), '%Y')`"
date: "`r Sys.Date()`"
output:
#   pdf_document:
#     highlight: tango
#     toc: yes
#   word_document:
#     highlight: tango
#     toc: yes
  html_notebook:
    toc: yes # генерація змісту документу
    toc_float: true
    highlight: tango # Колір підсвічування коду
fontsize: 12pt # розмір шрифту
header-includes:
 \usepackage[T2A]{fontenc}
 \usepackage[utf8]{inputenc}
editor_options: 
  chunk_output_type: console # вивід результатів обчислень на консоль
---

__Мета:__ _Засвоєння принципів, знайомвство з інструментами та набуття навичок манпулювання даними (__wrangle__) засобами мови програмування `R` та колекції пакетів `tidyvers`._ 

### Імпорт даних

```{r}
# install_formats() #інсталяція додаткових компонентів пакету rio

library(rio)
df <- data.frame(x = 1:5, y = rnorm(5))

export(df, "data/df_data_frame.txt")
dfImp <- import("data/df_data_frame.txt")
dfImp
```


```{r}

data("mtcars") #підключення стандартного набору даних mtcars
# head(mtcars)
export(head(mtcars), "data/mtcars.dta")
convert('data/mtcars.dta', 'data/mtcars.csv')
import("data/mtcars.csv")
```

#### Імпорт з реляційних баз даних

```{r}
#install.packages("dbplyr")
#install.packages("RSQLite")

library(dbplyr)
library(dplyr)
library(RSQLite)

# my_db <- src_sqlite("data/my_db.sqlite3", create = T)
#head(my_db)
```

```{r}
#install.packages("nycflights13")
library(nycflights13)
# flights_sqlite <- copy_to(my_db, flights, temporary = FALSE, 
#                           indexes = list(c("year", "month", "day"), "carrier", "tailnum"))
# head(flights_sqlite)
```

```{r}
con <- DBI::dbConnect(RSQLite::SQLite(), path = "data/my_db.sqlite3")
flights_sqlite <- copy_to(con, nycflights13::flights, "flights",
        temporary = FALSE, 
        indexes = list(
          c("year", "month", "day"), 
          "carrier", 
          "tailnum",
          "dest"
        )
)

head(flights_sqlite)
```

```{r}
DBI::dbDisconnect(con)
```
 
### Приведення даних до охайного вигляду


```{r}
#install.packages("tidyverse")
library(tidyverse)
```


```{r}
# відносний критерій на 10000
table1 %>%  # стандартний набір даних
  mutate(rate = cases / population * 10000) # обчислення нового поля



# кількість випадків на рік
table1 %>% 
  count(year, wt = cases)
```

```{r}
# Візуалізація динаміки зміни кількості випадків з часом
library(ggplot2)

ggplot(table1, aes(year, cases)) + 
  geom_line(aes(group = country), colour = "white") + 
  geom_point(aes(colour = country))+
  theme_dark()
```


#### Завдання на самостійну роботу. 

Побудувати динаміку відносного критерію `rate` кількості захворювань по роках для кожної держави.

```{r}
table1 %>%  # стандартний набір даних
  mutate(rate = cases / population * 10000) |> 
  ggplot(aes(year, rate)) +
  geom_line(aes(group = country), colour = "white") + 
  geom_point(aes(colour = country))+
  theme_dark()
```

### Gathering

```{r}
table4a
```

```{r}
table4a %>% 
  gather(`1999`, `2000`, key = "year", value = "cases")
```

```{r}
tidy4a <- table4a %>% 
  gather(`1999`, `2000`, key = "year", value = "cases")
tidy4b <- table4b %>% 
  gather(`1999`, `2000`, key = "year", value = "population")
dplyr::left_join(tidy4a, tidy4b)
```

### Завдання на самостійну роботу

Виконати попереднє завдання, базуючись на таблицях `tidy4a` і `tidy4b` з використанням потокового оператора.

```{r}
dplyr::left_join(table4a |> 
                  gather(`1999`, `2000`, key = "year", value = "cases")
                 ,table4b |> 
                   gather(`1999`, `2000`, key = "year", value = "population")) |> 
  mutate(rate = cases / population * 10000) |> 
  ggplot(aes(year, rate)) +
  geom_line(aes(group = country), colour = "white") + 
  geom_point(aes(colour = country))+
  theme_dark()
```

### Spreading

```{r}
table2
```

```{r}
table2 %>%
    spread(key = type, value = count)
```

### Separating

```{r}
table3
```

```{r}
table3 %>% 
  separate(rate, into = c("cases", "population"))
```

### Uniting

```{r}
table5
```

```{r}
table5 %>% 
  unite(year, century, year, sep = "")
```


### Пропущені значення

Пропущені значення (__missing value__) у наборах даних можуть бути двох видів: _явні_ (позначені як `NA`, `Not Available`) і _неявні_ (просто не представлені у даних). Такі дані називаються _некомплектні_.   
Нижче наведено приклад, який це ілюструє.  

```{r}
stocks <- tibble(
  year   = c(2015, 2015, 2015, 2015, 2016, 2016, 2016),
  qtr    = c(   1,    2,    3,    4,    2,    3,    4),
  return = c(1.88, 0.59, 0.35,   NA, 0.92, 0.17, 2.66)
)
stocks
```

Дані за четвертий квартал 2015 явно відсутні про що свідчить відповідне значення. Дані за перший квартал не внесені у таблицю, тобто відсутні неявно, але відсутність можна помітити після відповідної траснформації.  

```{r}
stocks %>% 
  spread(year, return)
```

Виявити множину некомплектних даних можна також з використанням функції `complete()`.  

```{r}
stocks %>% 
  complete(year, qtr)
```


Проблема некомплектних даних вирішується двома шляхами: виключенням некомплектних спостережень, або імпутацією пропущених значень іншими значеннями, виходячи з певної моделі.  

```{r}
stocks %>% 
  spread(year, return) %>% 
  gather(year, return, `2015`:`2016`, na.rm = TRUE)
```

У випадках, коли це доцільно, можна використовувати функцію `fill()`, яка заповнює пропущенні значення, взявши значення з останньої заповненої клітинки:  

```{r}
df <- data.frame(Month = 1:12, Year = c(2000, rep(NA, 11)))
df
df %>% fill(Year)
```

### Трансформація

```{r}
# Вибірка рядків таблиці
library(dplyr)

starwars %>% 
  filter(species == "Droid")
```

```{r}
# Вибірка полів таблиці
starwars %>% 
  select(name, ends_with("color"))
```

```{r}
# Створення нового поля у таблиці з послідуючою вибіркою
starwars %>% 
  mutate(name, bmi = mass / ((height / 100)  ^ 2)) %>%
  select(name:mass, bmi)
```

```{r}
# Сортування даних
starwars %>% 
  arrange(desc(mass))
```

```{r}
# Обчислення агрегатів з попереднім групуванням по полю species
starwars %>%
  group_by(species) %>%
  summarise(
    n = n(),
    mass = mean(mass, na.rm = TRUE)
  ) %>%
  filter(n > 1)
```

## Індивідуальне завдання

```{r}
library(readxl)
library(dplyr)
library(plotly)
library(DT)
library(lubridate)

# Завантаження даних із очищеного Excel файлу
data <- read_excel("cleaned_currency_data.xlsx")

# Додаємо колонку з місяцем для середньомісячних значень
data <- data %>% mutate(місяць = floor_date(Дата, "month"))

# Розрахунок середньомісячних курсів
monthly_avg <- data %>%
  group_by(місяць) %>%
  summarise(
    USD_UAH_avg = mean(USD_UAH, na.rm = TRUE),
    EUR_UAH_avg = mean(EUR_UAH, na.rm = TRUE),
    RUB_UAH_avg = mean(RUB_UAH, na.rm = TRUE)
  )

# Інтерактивна таблиця щоденних курсів
daily_table <- datatable(data, options = list(pageLength = 10, autoWidth = TRUE))

# Інтерактивна таблиця середньомісячних курсів
monthly_table <- datatable(monthly_avg, options = list(pageLength = 10, autoWidth = TRUE))

# Інтерактивний графік щоденних курсів
daily_plot <- plot_ly(data, x = ~Дата) %>%
  add_lines(y = ~USD_UAH, name = "USD/UAH") %>%
  add_lines(y = ~EUR_UAH, name = "EUR/UAH") %>%
  add_lines(y = ~RUB_UAH, name = "RUB/UAH") %>%
  layout(title = "Щоденна динаміка курсів валют", xaxis = list(title = "Дата"), yaxis = list(title = "Курс"))

# Інтерактивний графік середньомісячних курсів
monthly_plot <- plot_ly(monthly_avg, x = ~місяць) %>%
  add_lines(y = ~USD_UAH_avg, name = "USD/UAH") %>%
  add_lines(y = ~EUR_UAH_avg, name = "EUR/UAH") %>%
  add_lines(y = ~RUB_UAH_avg, name = "RUB/UAH") %>%
  layout(title = "Середньомісячна динаміка курсів валют", xaxis = list(title = "Місяць"), yaxis = list(title = "Середній курс"))

# Виведення таблиць і графіків
print(daily_table)
print(monthly_table)
daily_plot
monthly_plot


```